Подгонка логистической регрессии

В этом упражнении вы продолжите работу с данными исследования загрязнения грунтовых вод мышьяком в Бангладеш. Цель — смоделировать вероятность того, что домохозяйство перейдёт на другой колодец в зависимости от уровня содержания мышьяка в текущем.

Напомним структуру набора данных:

Набор данных wells заранее загружен в рабочую среду.

Это упражнение является частью курса

Обобщённые линейные модели в Python

Посмотреть курс

Инструкции к упражнению

Импортируйте statsmodels и glm.
С помощью glm() постройте модель логистической регрессии, в которой switch предсказывается по arsenic.
Выведите сводку по модели с помощью .summary().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Load libraries and functions
import ____.api as sm
from ____.____.api import glm

# Fit logistic regression model
model_GLM = ____(formula = ____,
                data = ____,
                family = ____.____.____).____ 

# Print model summary
print(____.____)

Редактировать и запускать код